面向无监督图级异常检测的双双曲对比学习：HC-GLAD
机器学习
2024-10-18 v2 社会与信息网络
摘要
无监督图级异常检测（UGAD）近年来因其重要性受到广泛关注。大多数依赖传统 GNN 的现有方法主要考虑一阶邻居之间的两两关系，这不足以捕捉与异常相关的复杂高阶依赖关系。这一局限性凸显了探索 UGAD 中高阶节点相互作用的必要性。此外，大多数前期工作忽略了现实图数据集中常见的底层属性（如层次结构和幂律结构），因此是 UGAD 任务中不可或缺的因素。本文提出一种 novel 方法：双双曲对比学习用于无监督图级异常检测（简称 HC-GLAD）。为了利用高阶节点组信息，我们基于预设计的金色图案构建超图并进行超图卷积。此外，为保留现实图的层次结构，我们引入双曲几何在该领域中进行图和超图嵌入学习。到目前为止，这是该领域首次同时应用超图和节点组信息以及双曲几何的工作。在不同领域的 13 个真实数据集上进行大量实验表明，HC-GLAD 在 UGAD 任务上占据优势。代码可在 https://github.com/Yali-F/HC-GLAD 查看。
引用
@article{arxiv.2407.02057,
title = {HC-GLAD: Dual Hyperbolic Contrastive Learning for Unsupervised Graph-Level Anomaly Detection},
author = {Yali Fu and Jindong Li and Jiahong Liu and Qianli Xing and Qi Wang and Irwin King},
journal= {arXiv preprint arXiv:2407.02057},
year = {2024}
}